JURIKOM (Jurnal Riset Komputer), Vol. 9 No.

5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Jaringan Saraf Tiruan Pengenalan Pola Huruf Sistem Matriks dengan

Algoritma Hebb Rule
Yendrizal
Teknik Komputer, Akademi Manajemen Informatika dan Komputer, Solok, Indonesia
Email: yendrizal70@gmail.com
Email Penulis Korespondensi: yendrizal70@gmail.com
Submitted 23-10-2022; Accepted 30-10-2022; Published 31-10-2022

Abstrak
Ilmu kecerdasan buatan saat ini sangat berkembang, Hal ini dapat dilihat dari pengembangan pola dan karakter dari ilmu kecerdasan
buatan. Hal ini bermula dari kebutuhan dalam menjaga keamanan dan informasi berhubungan data sehingga dapat disesulaikan dengan
kunci kerahasiaan berupa pengenalan kunci pola dan karakter. Pengenalan pola terdiri dari berbagai macam seperti Pola pengenalan
wajah dan pola sidik jari. Permasalahan pada penelitian ini kurangnya pemahaman dalam menjaga kerahasiaan data sehinggan manfaat
penelitian ini mampu menjaga kerahasiaan data dengan menggunakan pola matriks. Penelitian ini menggunakan metode Hebb rule
untuk memperoleh hasil akhir. Variabel matriks yang digunakan dari x1 sampai x25 input dan bias 1 dengan nilai bobot awal 0, pola
Wdan M di inisialisasi dengan karakter x bernilai 1 dan karakter o bernilai -1 dengan output bipolar, U tareget 1 dan S target -1, fungsi
f(net) adalah 1 jika Y >= 0 dan -1 jika Y < 0. Hasil akhir setelah dilakukan proses pencarian diperoleh nilai W =8 dan M=-8 yang
menghasilkan output sama dengan target dan dapat dikenali.
Kata Kunci: Artificial Intelegence; Jaringan Saraf Tiruan; Hebb; Sigmoid Bipolar; Pengenalan Pola
Abstract
The science of artificial intelligence is currently very developed, this can be seen from the development of patterns and characters of
artificial intelligence. This stems from the need to maintain security and information related to data so that it can be adjusted with a
confidentiality key in the form of pattern and character lock recognition. Pattern recognition consists of various kinds such as facial
recognition patterns and fingerprint patterns. The problem in this study is the lack of understanding in maintaining data confidentiality
so that the benefits of this research are able to maintain data confidentiality by using a matrix pattern. This study uses the Hebb rule
method to obtain the final results. The matrix variable used is from x1 to x25 input and bias 1 with initial weight value 0, W and M
patterns are initialized with character x worth 1 and character o worth -1 with bipolar output, U target 1 and S target -1, function f( net)
is 1 if Y >= 0 and -1 if Y < 0. The final result after the search process is obtained the value W = -8 and M=-8which produces the same
output as the target and can be recognized.
Keywords: Artificial Intelligence; Artificial Neural Networks; Hebb; Bipolar Sigmoid; Pattern recognition

1. PENDAHULUAN
Dalam ilmu komputer, khususnya di bidang kecerdasan buatan, dikenal sebuah metode yang disebut dengan jaringan
saraf tiruan. Jaringan saraf tiruan merupakan suatu paradigma pemrosesan informasi yang mengambil permodelan dari
cara kerja jaringan saraf biologi dalam memroses informasi. Latar belakang perkembangan jaringan saraf tiruan didasari
oleh keinginan agar komputer mampu menirukan kemampuan manusia dalam memroses informasi. Jaringan saraf tiruan
telah terbukti mampu untuk menyelesaikan berbagai masalah yang mengandung ketidak pastian di dalamnya, yang
biasanya hanya bisa diselesaikan oleh manusia. Beberapa masalah tersebut antara lain adalah peramalan, pengenalan
wajah,pengenalan tulisan tangan, dan pengenalan suara.Masalah-masalah ini tidak dapat diselesaikan oleh metode-
metode perhitungan pada umumnya. Dapat dikatakan bahwa jaringan saraf tiruan merupakan salah satu paradigma
pemrosesan informasi yang paling mendekati kemampuan pemrosesan informasi manusia [1]. Kemajuan teknologi
komputer juga berperan penting dalam memberikan dukungan kepada setiap insan untuk menyelesaikan berbagai macam
permasalahan, salah satu bagian dari bidang ilmu komputer adalah Jaringan Saraf Tiruan (Artificial Neural Networks)
yang merupakanbagian dari ilmu kecerdasan buatanatau Artificial intelegence yang sudah banyak digunakan untuk
menyelesaikan berbagai macam masalah yang berhubungan dengan prediksi atau peramalan [2]. Jaringan saraf tiruan
adalah sebuah alat pemodelan data numerik non-linier yang terinspirasi dari jaringan saraf biologis seperti otak manusia.
Jaringan saraf akan memiliki satu set neuron buatan yang terhubung dan memproses informasi menggunakan bentuk
penghubung ke komputasi. Jaringan saraf tiruan banyak digunakan untuk memodelkan hubungan canggih antara input
dan output atau untuk mengungkap pola dalam data berdasarkan informasi eksternal atau internal yang berjalan melalui
jaringan selama proses pembelajaran [3]. Ada beberapa metode yang dapat digunakan untuk melakukan analisa dengan
jaringan saraf tiruan yaitu metode Hebb, Perceptron, dan Backpropagation [4][5]. Elemen kunci dari dari paradigma ini
adalah suatu struktur baru dari sistem pengolahan informasi. Hal ini terdiri dari sejumlah besar elemenelemen pemrosesan
yang saling berubungan (neuron) dan saling bekerjasama untuk pemecahan masalah-masalah tertentu [6]. Jaringan saraf
tiruan merupakan sebuah model matematika, yang terdiri atas input layer, hidden layer, dan output layer [7]. Jaringan
Saraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang
didasarkan atas asumsi sebagai berikut:
a. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
b. Sinyal mengalir diantara sel saraf / neuron melalui suatu sambungan penghubung.

Copyright © 2022 Yendrizal, Page 1466

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License
 JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

c. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan /
mengalikan sinyal yang dikirim melaluinya.
d. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya
untuk menentukan sinyal keluarannya [8] [9].
Jaringan Saraf Tiruan (JST) merupakan paradigma yang memproses informasi yang diilhami oleh struktur dan
aspek fungsional pada jaringan saraf biologis, yang menyerupai otak dalam memproses informasi [10]. Jaringan Saraf
Tiruan merupakan pemodelan data yang kuat yang mampu menangkap dan mewakili hubungan Input-Output yang
komplek, beberapa masalah relatif mudah digunakan, ketahanan untuk mengimput data kecepatn untuk eksekusi, dan
menginisialisasikan sistem yang rumit [11]. Jaringan saraf tiruan dicirikan oleh 3 hal diantaranya [12]:
a. Pola hubungan antar saraf (Asitektur);
b. Metode Penentuan Bobot;
c. Aktivasi.
Fungsi Pengenalan pola merupakan langkahperantaraan bagi proses menghilangkan dan menormalkan gambar
dalam satu cara (pemrosesan gambar (image processing), teks dll.), pengiraan ciri-ciri, pengkelasandan akhirnya post-
pemrosesan berdasarkankelas pengenalan dan aras keyakinan.Pengenalan pola berkaitan dengan langkah
pengklasifikasian. Dalam kasus tertentu, sebagaimana dalam jaringan saraf (neural networks), pemilihan ciri-ciri
danpengambilan juga boleh dilaksanakan secarasemi otomatis atau otomatis sepenuhnya [13].

2. METODOLOGI PENELITIAN
Metode [14] Hebb rule dikembangkan oleh Donald Hebb untuk jenis pelatihan supervised. Hebb rule merupakan metode
pembelajaran dalam supervised yang paling sederhana, karena pada metode ini pembelajaran dilakukan dengan cara
memperbaiki nilai bobot sedemikian rupa sehingga jika ada 2 neuron yang terhubung, dan keduanya pada kondisi hidup
(on) pada saat yang sama, maka bobot antara kedua dinaikkan. Apabila data dipresentasikan secara bipolar, maka
perbaikan bobotnya dapat dilihat pada persamaan 1 :
wi (baru) = wi (lama) + xi * y (2) (1)
Keterangan:
wi : bobot data input ke-i;
xi : input data ke-i;
y : output data.
Metode [15]Hebb rule juga merupakan aturan pelatihan yang paling awal dan paling sederhana untuk jaringan
saraf tiruan secara umum. Pada aturan hebbian ini pelatihan yang terjadi yaitu dengan memodifikasi kekuatan sinapsis
(bobot). Jika data ditunjukkan dalam bentuk bipolar, ini mudah untuk menyatakan pembaharuan bobot yang diinginkan
sehingga persamaan bobot:
Wi(baru) = Wi(lama) +xiy (2)
Perbaikan bias
b(baru) = b(lama) +y (3)
Minutine dan artificial neural network juga merupakan salah satu metode pengenalan pola sidik jari yang
bermanfaat pada pengenalan identitas manusia [16]. Jika data ditunjukkan dalam bentuk bipolar, ini mudah untuk
menyatakan pembaharuan bobot yang diinginkan sehingga:
wi(new) = wi(old) + xi y (4)
Jika data adalah biner, formula ini tidak membedakan antara pasangan pelatihan di mana unit input adalah “on”
dan nilai target adalah “off” dan pasangan pelatihan yang mana antara unit input dan nilai target adalah “off”. Berikut ini
adalah arsitektur hebb[17].

Gambar 1. Arsitektur Hebb.

Copyright © 2022 Yendrizal, Page 1467

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License
 JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Fungsi aktivasi kedua adalah sigmoid bipolar yang memiliki jangkauan nilai [-1,1] dan didefinisikan sebagai:

Gambar 2. Fungsi aktivasi sigmoid bipolar

Jika tahapan fungsi aktivasi digunakan (keluaran sel saraf = 0 jika masukan < 0 dan 1 jikamasukan >= 0) maka
tindakan sel saraf tiruan sama dengan sel saraf biologi yang dijelaskandiatas (pengurangan nilai batas ambang dari jumlah
bobot dan membandingkannya dengan 0adalah sama dengan membandingkan jumlah bobot dengan nilai batas ambang)
[18]. Biasanya tahapan fungsi jarang digunakan dalam Jaringan Saraf Tiruan. Fungsi aktivasi (f(n)) dapat dilihat pada
gambar 3

Gambar 3. Fungsi Aktivasi

Berikut adalah desain Penelitian ini menggambarkan proses kerja peneliti dalam menyelesaikan masalah
pengenalan pola menggunakan Algoritma Hebb Rude, Proses kerja diantaranya:

Gambar 4. Desain Penelitian

3. HASIL DAN PEMBAHASAN

Proses penyelesaian pengenalan Pola Wdan M menggunakan representasi data bipolar. Karakter pengenalan Pola
diberi nilai =1 dan 0 diberi nilai =-1, setiap pola tersusun oleh matriks berukuran 5x5=25. Berarti Algoritma Hebb Rule
terdiri dari 25 Inputan, Dibawah Ini merupakan Gambar matriks inputan 25.
3.1 Pengenalan Pola
Dibawah ini merupakan Pola yang akan diproses

Copyright © 2022 Yendrizal, Page 1468

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License
 JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Gambar 5. Pola Huruf W dan M

Selanjutnya diubah kedalam representasi nilai bipolar, X = 1 dan O = -1. Dapat dilihat pada gambar dibawah
ini:
a. Pola W

Gambar 6. Representasi Nilai Bipolar Pola Huruf W

b. Pola M

Gambar 7. Representasi Nilai Bipolar Pola Huruf M

Dibawah ini merupakan hasil kombinasi pola Wdan M yang di inputkan kedalam matriks 25:

Gambar 8. Hasil Kombinasi Pola Wdan M

3.2 Inisialisasi Bobot Bias
w1=w2=w3=w4=w5=w6=w7=w8=w9=w10=w11=w12=w13=w14=w15=w16=w17=w18=w19=w20=w21=w22=w23=
w24=w25=0 dan Bias=0
Pola ke-1:
Perubahan Bobot dan Bias untuk Pola ke-1.
Tabel 1. Perubahan Bobat dan Bias
w1(baru)=w1(lama)+x1*y=0+1.1=1 W6 (baru)=w6(lama)+x6*y= 0+1.1=1
W2(baru)=w2(lama)+x2*y=0+(-1).1=-1 W7(baru)=w7(lama)+x7*y= 0+(-1).1=-1
W3(baru)=w3(lama)+x4*y= 0+1.1=1 W8(baru)=w8(lama)+x8*y= 0+1.1=1
W4(baru)=w4(lama)+x4*y=0+(-1).1=-1 W9(baru)=w9(lama)+x9*y= 0+(-1).1=-1
W5(baru)=w5(lama)+x5*y=0+1.1=1 W10(baru)=w10(lama)+x10*y= 0+1.1=1
w1(baru)=w1(lama)+x1*y= 0+1.1=1 W6 (baru)=w6(lama)+x6*y= 0+1.1=1
Lanjut 11-25 B(baru)= b(lama)+y=0+1=1
Pola ke-2:
Perubahan Bobot dan Bias untuk Pola ke-2.
Tabel 2. Perubahan Bobat dan Bias
w1(baru)=w1(lama)+x1*y= 1+1*(-1)=0 W6 (baru)=w6(lama)+x6*y= 1+1.(-1)=0
W2(baru)=w2(lama)+x2*y= (-1)+(-1).(-1)=0 W7(baru)=w7(lama)+x7*y= -1+1.(-1)=-2

Copyright © 2022 Yendrizal, Page 1469

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License
 JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

W3(baru)=w3(lama)+x4*y= 1+(-1).(-1)=2 W8(baru)=w8(lama)+x8*y=1+(-1).(-1)=2

W4(baru)=w4(lama)+x4*y= (-1)+(-1).(-1)=0 W9(baru)=w9(lama)+x9*y=1+(-1).(-1)=2
W5(baru)=w5(lama)+x5*y= 1+1*(-1)=0 W10(baru)=w10(lama)+x10*y= 1+1*(-1)=0
Lanjut 11-25 B(baru)= b(lama)+y=0+1=1
3.3 Pembuatan pola bobot jaringan saraf tiruan
Langkah pertama yang dilakukan adalah malakukan perhitungan nilai bobot pada pola W dan M agar membentuk pola
jaringan. Bentuk perhitungan melakukan perhitungan matriks dengan variable input yang terdiri dari 25 input.

Gambar 9. Hasil Perhitungan Nilai Bobot Pada Pola Huruf W

Setelah melakukan perhitungan nilai bobot maka Langkah selanjutnya membuat nilai persamaan agar output
menhasilkan nilai 1 dan -1.

Gambar 10. Nilai Persamaan Pada Pola Huruf W

Diperoleh nilai
x=w1=0, w2=0, w3=2, w4=0, w5=0, w6=0, w7=-2, w8=2, w9=0, w10=0, w11=0, w12=0, w13=0, w14=0, w15=0,
w16=0, w17=0,w18=2,w19=0, w20=0, w21=0, w22=0, w23=0, w24=0, w25=0 dan Bias=0
Nilai nilai yang dipakai untuk menguji seluruh data masukkan , hasilnya adalah
a. Pola ke-1
Net =0.1+0.(-1)+2.1+0.(-1)+0.1+0.1+-2.(-1)+2.1+0.(-1)+0.1+0.1+0.(-1)+0.1+0.(- =1)+0.1+0.1+0.(-1)+2.1+
0.(-1)+0.1+0.1+0.1+0.1+0.1+0.1 = 8
f(8)=1 (Sama dengan Target)
b. Pola ke-2
Net = 0.1+0.(-1)+2.-1+0.(-1)+0.1+0.1+-2.(1)+2.-1+0.(-1)+0.1+0.1+0.(-1)+0.1+0.(-=1)+0.1+0.1+0.(-1)+2.-1+
0.(-1)+0.1+0.1+0.1+0.1+0.1+0.1 = -8
f(-8)=-1 (Sama dengan Target)
Hasil W adalah 8 sehingga f(net) = 1 sesuai dengan target M adalah -1 maka di kenali oleh jaringan.
Tabel 3. Hasil Pengenalan Pola
b y net Huruf
0 8 1 Pola dikenali W
0 -8 -1 Pola dikenali M
Dari Proses pencarian Pola Wdan M Dapat di dinyatakan bahwa kedua Pola tersebut mempunyai keluaran jaringan
target yang diinginkan. Sehingga jaringan ini mampu mengenali pola dengan baik.

4. KESIMPULAN
Kesimpulan Akhir yang diperoleh dari Analisa dan proses pada jaringan saraf tiruan menggunkan algoritma Hebb Rule
diantaranya, Penerapan Algoritma metode Hebb Rule dapat mengenali pola pada huruf W dan M menggunakan konsep
matriks x25 dengan nilai net 8 dan -8. Jaringan Saraf Tiruan mampu mengenali pola menggunakan 2 Karakter Huruf
berbentuk pola jaringan Aplikasi jaringan saraf tiruan untuk mempermudah mengetahui hasil yang lebih akurat diperlukan
learning base dan pengujian yang memerlukan penambahan pengetahuan untuk menghitung pola baru agar pola
mempunyai nilai ke akuratan 90% untuk memperoleh nilai hasil akhir. Diharapkan untuk penelitian Selanjutnya harus

Copyright © 2022 Yendrizal, Page 1470

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License
 JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022
e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak)
DOI 10.30865/jurikom.v9i5.5015
Hal 1466−1471
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

menambahkan pola pengenalan karakter lebih detail lagi, agar hasil inputan memiliki nilai 100% benar sehingga bisa di
uji secara jelas dan mudah.

REFERENCES
[1] M. I. Ukkas, A. H. Kridalaksana, and T. W. Cenggoro, “Pengenalan Pola Perilaku Seorang Manusia Dalam Permainan Suten
Menggunakan Metode Jaringan Saraf Tiruan Propagasi Balik,” Sebatik, vol. 12, no. 1, pp. 1–8, 2018, doi:
10.46984/sebatik.v12i1.63.
[2] L. Lhaura Van FC, F. Fajrizal, and L. Lisnawita, “Implementasi Jaringan Saraf Tiruan untuk Menentukan Kepribadian
Mahasiswa Menggunakan Algoritma Perceptron,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp.
144–158, 2020, doi: 10.31849/digitalzone.v11i1.4019.
[3] L. S. Rini, O. T. Karya, and F. Sirait, “Implementasi Jaringan Saraf Tiruan Pada Pendeteksi Keaslian Dan Nominal Uang,” Jurnal
Teknologi Elektro, vol. 12, no. 2, p. 65, 2021, doi: 10.22441/jte.2021.v12i2.004.
[4] I. Ramadhani, S. H. Pratiwi, and A. N. Handayani, “Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan
Model Jaringan Perceptron,” Jurnal Ilmiah Teknologi Informasi Asia, vol. 11, no. 1, p. 45, 2017, doi: 10.32815/jitika.v11i1.41.
[5] P. Alkhairi, L. P. Purba, A. Eryzha, A. P. Windarto, and A. Wanto, “The Analysis of the ELECTREE II Algorithm in Determining
the Doubts of the Community Doing Business Online,” Journal of Physics: Conference Series, vol. 1255, no. 1, 2019, doi:
10.1088/1742-6596/1255/1/012010.
[6] M. F. Mubarokh, M. Nasir, and D. Komalasari, “Jaringan Saraf Tiruan Untuk Memprediksi Penjualan Pakaian Menggunakan
Algoritma Backpropagation,” Journal of Computer and Information Systems Ampera, vol. 1, no. 1, pp. 29–43, 2020, doi:
10.51519/journalcisa.v1i1.3.
[7] I. G. N. L. Wijayakusuma and N. K. Emik Sapitri, “Penerapan Jaringan Saraf Tiruan Dalam Pembentukan Model Peramalan
Angka Melek Huruf di Kabupaten Karangasem,” Jurnal Matematika, vol. 10, no. 1, p. 11, 2020, doi:
10.24843/jmat.2020.v10.i01.p119.
[8] N. Feri Rahmadani, Akim M.H. Pardede, “Jaringan Saraf Tiruan Prediksi Jumlah Pengiriman Barang Menggunakan Metode
Backpropagation ( Studi Kasus : Kantor Pos Binjai ),” Jtik (Jurnal Teknik Informatika Kaputama), vol. 5, no. 1, pp. 100–106,
2021.
[9] E. D. Manurung, B. Nadeak, and E. Ndruru, “Implementasi Algoritma Hebb Rule Pada Diagnosa Penyakit Kolik Abdomen Pada
Orang Dewasa,” JURIKOM (Jurnal Riset Komputer), vol. 7, no. 2, p. 250, 2020, doi: 10.30865/jurikom.v7i2.2086.
[10] A. Fadlil, I. Riadi, and A. Nugrahantoro, “Kombinasi Sinkronisasi Jaringan Saraf Tiruan dan Vigenere Cipher untuk Optimasi
Keamanan Informasi,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, vol. 11, no. 1, pp. 81–95, 2020, doi:
10.31849/digitalzone.v11i1.3945.
[11] A. Sudarsono, “Jaringan Saraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation
(Studi Kasus Di Kota Bengkulu),” Jurnal Media Infotama, vol. 12, no. 1, pp. 61–69, 2016, doi: 10.37676/jmi.v12i1.273.
[12] S. Winardi and H. Hamzah, “Penerapan Metode Jaringan Saraf Tiruan Backpropagation Dalam Pengenalan Pola Aksara
Hanacaraka,” Respati, vol. 9, no. 27, 2017, doi: 10.35842/jtir.v9i27.80.
[13] H. Masrani, I. Ruslianto, and Ilhamsyah, “Aplikasi Pengenalan Pola Pada Huruf Tulisan Tangan Menggunakan Jaringan Saraf
Tiruan Dengan Metode Ekstraksi Fitur Geometri,” Coding, Sistem Komputer Untan, vol. 06, no. 02, pp. 69–78, 2018.
[14] M. Nasir, Amri, and I. Maulina, “Pengenalan Aksara Isyarat Menggunakan Metode Hebb Rule,” Jurnal Infomedia, vol. 4, no. 1,
pp. 28–32, 2019.
[15] F. Yanti and J. Sutrisna, “Perbandingan Saham Hang Seng dan Nikkei Menggunakan Algoritma Hebbian,” Jurnal Informatika
Universitas Pamulang, vol. 2, no. 1, p. 7, 2017, doi: 10.32493/informatika.v2i1.1499.
[16] N. Yanti, F. Z. Rachman, N. Jamal, and E. Purwanto, “Artificial Neural Network for Recognition,” vol. 5, no. 5, pp. 597–604,
2018, doi: 10.25126/jtiik2018551032.
[17] R. Muliono and J. Hakim Lubis, “Jaringan Saraf Tiruan Pengenalan Pola Huruf Dengan Jaringan Habb,” JTIK(Jurnal Teknik
Informatika Kaputama), vol. 2, no. 1, pp. 46–50, 2018.
[18] Y. Pangaribuan and M. Sagala, “Menerapkan Jaringan Saraf Tiruan untuk Mengenali Pola Huruf Menggunakan Metode
Perceptron,” Jurnal Teknik Informatika UNIKA Santo Thomas, vol. 2, no. 479, pp. 53–59, 2017.

Copyright © 2022 Yendrizal, Page 1471

JURIKOM is licensed under a Creative Commons Attribution 4.0 International License